何春華，劉秀云，楊從斌，盧 寧

(青島大學(xué) 數(shù)據(jù)科學(xué)與軟件工程學(xué)院，山東 青島 266071)

通過大量研究發(fā)現(xiàn)，建筑物能耗是建筑物使用周期中的一項主要成本，因此，建筑能耗一直以來是一個備受關(guān)注的研究課題[1].另外，由于能源成本的上漲，設(shè)施管理者需要尋找有效的建筑施工方法，如負(fù)荷管理或可再生能源等，這就需要一個在選擇改造項目替代方案或改造現(xiàn)有設(shè)施時的輔助工具，以幫助他們做出合理的決策.

目前，設(shè)施管理人員面臨許多技術(shù)挑戰(zhàn)，包括確定設(shè)施中的問題區(qū)域，隔離不同類型的問題，優(yōu)先考慮哪些因素的影響，制定解決方案和實施選定的解決方案以及心理挑戰(zhàn)(即接受所選方案的風(fēng)險)等，一旦決定并執(zhí)行節(jié)能計劃，這個過程很難扭轉(zhuǎn)[2].此外，許多能源監(jiān)測的研究往往受到預(yù)算和時間的限制，所有這些因素使設(shè)施管理人員在做出決策時承擔(dān)很大的風(fēng)險[3].一般來說，能源監(jiān)測是一個有效的工具，可以幫助設(shè)施經(jīng)理制定節(jié)能計劃并實現(xiàn)節(jié)能目標(biāo).然而，許多現(xiàn)有的能源審計方法可能會忽視影響大型設(shè)施能源消耗的不同因素之間的復(fù)雜關(guān)系以及兩種或多種不同解決方案可能產(chǎn)生的交叉效應(yīng)[4]，因此，需要一種更有效的驗證工具來微調(diào)能源審計流程的結(jié)果.

隨著計算機(jī)技術(shù)迅速發(fā)展，計算機(jī)模擬逐漸成為分析建筑能耗和性能的最經(jīng)濟(jì)有效的方法之一，主要包括能耗仿真軟件以及神經(jīng)網(wǎng)絡(luò)等新一代人工智能方法[5].不同方法有時會造成計算結(jié)果差異較大，其結(jié)果的準(zhǔn)確性一直是該領(lǐng)域探討的重點.本文通過人工神經(jīng)網(wǎng)絡(luò)(ANN)和EnergyPlus建立模型，驗證模型的準(zhǔn)確性，并預(yù)測建筑物能耗.同時對各參數(shù)的影響進(jìn)行了對比，選出顯著影響因素.

1 基本原理

1.1 EnergyPlus軟件

EnergyPlus是一個強(qiáng)大的建筑模擬軟件，允許用戶定義建筑物的幾何結(jié)構(gòu)、材料以及其內(nèi)部負(fù)載等特性.它允許用戶進(jìn)行兩種模擬：設(shè)計日和年度模擬[6].對于后者，需要提供氣象參數(shù)，其中主要參數(shù)(干/濕球溫度，直接/漫射太陽輻射，風(fēng)速/風(fēng)向等)以小時為單位給出，軟件便可以得出參數(shù)一年的結(jié)果(冷/熱負(fù)荷，區(qū)域溫度，建筑物能耗等).對于設(shè)計日模擬，用戶應(yīng)提供一組參數(shù)，如最大和最小干球溫度、發(fā)生最大干球溫度時的濕球溫度、風(fēng)速和風(fēng)向等[7]，該軟件將輸出當(dāng)天與年度模擬相同的參數(shù).

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的算法模型.這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到處理信息的目的.人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入-輸出數(shù)據(jù)分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析過程被稱為“訓(xùn)練”[8].

由于不知道如何安排生物神經(jīng)元，提出了幾種可能的人工神經(jīng)網(wǎng)絡(luò)分布方式，同時產(chǎn)生了不同的網(wǎng)絡(luò)模型.被人熟知的簡單而又常用的網(wǎng)絡(luò)模型是前饋模式[9]，在這個模型中，神經(jīng)元分別被配置在輸入層和輸出層.在這兩層中間，網(wǎng)絡(luò)可以設(shè)有一個或多個稱為隱藏層的中間層.輸入層通常被認(rèn)為是輸入信號的分配器，隱藏層是信號分類器，輸出層則是獲得響應(yīng)的組織者.

2 模型建立

2.1 建筑模型

本文所選模型為某辦公樓，共8層，面積為4 000 m2，使用時間為9∶00～18∶00，人員為1 500人.建筑空調(diào)系統(tǒng)由單一窗型和分體式空調(diào)組成，分布在各個區(qū)域，由用戶單獨控制.進(jìn)行了幾次檢查以評估內(nèi)部負(fù)荷(照明、用電設(shè)備和占用時間)的不同類型及其時間表.表1～3分別為內(nèi)部負(fù)荷最大和最小值、終端使用分布及主要氣象參數(shù).

表1 內(nèi)部負(fù)荷最大和最小值

表2 終端使用耗能分布

表3 主要氣象參數(shù)

2.2 數(shù)學(xué)模型

2.2.1 EnergyPlus模型

該項研究的幾何模型及其內(nèi)部載荷要盡可能簡單，以避免模型過于精細(xì)增加耗時.應(yīng)該強(qiáng)調(diào)的是，這項研究的目的是在一個合理的不確定范圍內(nèi)，使用一套簡要描述建筑物和氣候數(shù)據(jù)的模擬工具來預(yù)測建筑物的能量分布，因此，使用了EnergyPlus中提供的設(shè)計日仿真選項.

2.2.2 人工神經(jīng)網(wǎng)絡(luò)模型

本文使用神經(jīng)網(wǎng)絡(luò)模型如圖1所示，為4層分布共11個神經(jīng)元(其中兩個是隱藏的)的前饋神經(jīng)網(wǎng)絡(luò).須指出的是，在前饋模型中，給定層的神經(jīng)元僅與前一層和下一層相連.

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3 模型驗證及對比

3.1 EnergyPlus計算結(jié)果

以2015年3月1日到5月31日每個工作日的能源消耗量建立數(shù)據(jù)庫.EnergyPlus需輸入建筑物特征(幾何模型、壁面和窗戶材料、照明設(shè)備以及占用時間)，使用設(shè)計日選項模擬每天的能量消耗，并且與實際數(shù)據(jù)對比.圖2為能量需求測量值與EnergyPlus計算結(jié)果的對比圖，結(jié)果基本一致，說明模型對于所研究問題是可行的.

圖3為所有工作日能耗模擬值與實際值的對比圖，從圖3中可以看出，80%的數(shù)據(jù)在±12%的誤差范圍內(nèi)，主要是由于內(nèi)部增益(尤其是人員)的不確定性引起的，同時，也包括輸入?yún)?shù)的不確定性等.

圖2 能量需求測量值與EnergyPlus計算結(jié)果對比

圖3 EnergyPlus日能耗模擬值和測量值對比

3.2 人工神經(jīng)網(wǎng)絡(luò)計算結(jié)果

本文使用外部干球溫度作為輸入?yún)?shù)來實現(xiàn)簡化網(wǎng)絡(luò)，將現(xiàn)有耗能和氣象數(shù)據(jù)分為兩組，使用2013年8月至2014年12月期間的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，2015年3月1日至5月31日(與Energy Plus模擬相同)期間數(shù)據(jù)用于模型驗證.將日最大和最小外部干球溫度Tmin和Tmax作為輸入數(shù)據(jù)，輸出則為相應(yīng)的每日總耗能C(kW·h).本文進(jìn)行了3種不同的網(wǎng)絡(luò)計算，分別為工作日、假期及一周(包含工作日和周末).網(wǎng)絡(luò)參數(shù)如表4所示，表5為能耗預(yù)測結(jié)果與實際值誤差.由表5可知，包含所有天數(shù)的網(wǎng)絡(luò)誤差要大于將工作日和假期分開的網(wǎng)絡(luò).增加隱層和每一層隱層神經(jīng)元后獲得的模擬結(jié)果如表6、7所示.

表4 溫度-能耗網(wǎng)絡(luò)參數(shù)

注：Tmin和Tmax為日最小和最大外部干球溫度；日類型中，1為工作日，0為假期.

表5 溫度-能耗網(wǎng)絡(luò)計算結(jié)果與測量值誤差

表6 氣候-能耗網(wǎng)絡(luò)計算結(jié)果與測量值誤差

表7 氣候-能耗網(wǎng)絡(luò)參數(shù)

注：T為每日外部最大干球溫度；Urel為相對濕度；Tglo為總太陽輻射；Rdif為散射太陽輻射.

圖4為溫度-能耗ANN和測量得出的所有工作日能量消耗，85%的數(shù)據(jù)在±12.5%的誤差范圍內(nèi)，與EnergyPlus得到的結(jié)果近似.

圖4 工作日溫度-能耗ANN模擬值和能耗測量值對比

Fig.4 Comparison between ANN simulated and measured values of temperature-energy consumption for working days

4 結(jié)果分析

4.1 EnergyPlus預(yù)測結(jié)果

本文模擬了氣象參數(shù)對能耗的影響，其中由氣象數(shù)據(jù)評估每個參數(shù)的不確定性.表8列出了每個參數(shù)的不確定性造成的能耗變化，由于氣象參數(shù)造成的總不確定性小于±2.0%，遠(yuǎn)低于模擬值和實際值的誤差.

為了更加符合實際情況，接下來考慮內(nèi)部負(fù)荷，即照明、設(shè)備和人員在不同時間對系統(tǒng)的變化影響.內(nèi)部負(fù)荷對能耗影響的敏感性分析結(jié)果如表9所示.內(nèi)部負(fù)荷時間上的變化范圍在±15%以內(nèi)，可以看出，雖然不同參數(shù)變化范圍相同，但獲得的結(jié)果不同，這是由于在總的建筑能耗中，每個內(nèi)部負(fù)荷的貢獻(xiàn)不同.另外，這些參數(shù)引起的不確定性是氣候參數(shù)引起不確定的5～10倍，模擬和實際誤差結(jié)果相同.

表8 EnergyPlus-氣候參數(shù)對能耗影響的敏感性分析

表9 內(nèi)部負(fù)荷對能耗影響的敏感性分析

4.2 人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

用ANN模型對氣候參數(shù)做了敏感性分析，結(jié)果如表10所示.由表10可知，氣候參數(shù)對能耗的影響要略高于EnergyPlus，但趨勢相似，氣候參數(shù)不是影響能耗不確定的主要因素.

表10 人工神經(jīng)網(wǎng)絡(luò)-氣候參數(shù)對能耗影響的敏感性分析

5 結(jié) 論

本文主要對比了ANN模型和EnergyPlus模型預(yù)測能耗的結(jié)果.EnergyPlus預(yù)測的能耗數(shù)據(jù)點在±12%的誤差范圍內(nèi)，對比氣候參數(shù)和照明、設(shè)備及人員情況，預(yù)測結(jié)果的不確定性主要是由人員情況造成.ANN模型簡單(輸入僅為溫度)和復(fù)雜(輸入為溫度/相對濕度/太陽輻射)神經(jīng)網(wǎng)絡(luò)的結(jié)果表明，能量消耗預(yù)測與實際值之間平均誤差約為10%.考慮到兩組輸入的結(jié)果差異較小，可以認(rèn)為濕度和輻射對能源消耗的影響要小于溫度，與EnergyPlus模型得出的結(jié)果相似.

此外，模型能夠為設(shè)施管理者減少建筑能耗提供一定參考.應(yīng)該強(qiáng)調(diào)，內(nèi)部負(fù)荷的時間表必須經(jīng)過周期性的重新評估，以確保對建筑使用情況的不斷更新，從而更準(zhǔn)確地評估能源需求.ANN模型僅能夠基于先前的測量結(jié)果來預(yù)測能量消耗，因此，對降低能耗新方案的評估只能在實施后進(jìn)行.